.png){kind=icon}
返回
GNNContext: GNN-based Code Context Prediction for Programming Tasks
.png){kind=icon}
PRE
AI
DOI：10.1109/TSE.2025.3578390.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
代码上下文模型由与编程任务相关的源代码元素及其关系组成。在软件工具中捕获和使用代码上下文模型能够促进软件开发实践，例如代码导航和搜索。先前的研究探讨了利用代码的结构信息或开发者与集成开发环境（IDE）的交互历史来自动构建代码上下文模型的方法。然而，这些方法主要捕获代码元素的浅层语法和词法特征，在捕获邻近代码元素之间的上下文和结构依赖关系方面的能力有限。在本文中，我们提出了一种基于图神经网络（GNN）的新型方法GNNContext，用于预测代码上下文模型。我们的方法利用代码表示学习模型来捕获代码元素的结构和语义特征，同时采用图神经网络学习代码上下文模型中邻近代码元素之间的结构和上下文信息。为评估我们方法的有效性，我们将其应用于一个包含3,879个代码上下文模型的基准数据集，这些模型源自三个Eclipse开源项目。评估结果表明，我们提出的方法GNNContext在代码上下文预测方面显著优于当前最佳基线方法，在平均互反排名、top-1、top-3和top-5召回率上分别实现了62.79%、56.60%、73.50%和81.89%的平均改进，跨不同预测步长均表现优异。此外，我们的方法在跨项目评估设置中表现出稳健的性能。
Keyword:
Code context models
programming tasks
developers
context prediction
graph neural networks
期刊
IF:
5.6
论文数:
2.9K
被引数:
1.1W
机构
引用论文
.png){kind=icon}
On the Impact of Sample Duplication in Machine-Learning-Based Android Malware Detection基于机器学习的Android恶意软件检测中样本复制的影响
OAAI
OAAI分享收藏
查看更多内容